文章 "宏观经济数据对货币价格波动影响的还原分析"
任何分析的结果都是对形势发展的概率描述。当然，从方程中得到的结果并不能百分之百地保证对这种情况的预测，因为，例如，它缺乏一种机制来考虑政治家的讲话、不可抗力、会议结果等的影响。但我认为，它可以对货币价格在一小段时间内的变化作出概率评估。
其次，回归方程也是方便交易者生活的技术指标，是否相信它的读数取决于交易者自己。
第三，你对结果是否可信提出质疑是对的，这需要证明，但在我的文章中，我已经用图片概述了行动的算法，并附上了生成表格的脚本，以表格的形式导出新闻提要，供大家处理、使用，在实践中检查文章，集体决定这是否适用于金融市场，还是需要修改或不适用。
任何分析的结果都是对形势发展的概率描述。当然，从方程中得到的结果并不能百分之百地保证在这样的图景中进行预测，因为，例如，它缺乏一种机制来考虑政治家的讲话、不可抗力、会议结果等的影响。但是，我认为，它可以对一小段时间内的货币价格变化进行概率评估。
其次，回归方程也是方便交易者生活的技术指标，是否相信它的读数取决于交易者自己。
第三，你对结果是否可信提出质疑是对的，这需要证明，但在我的文章中，我已经用图片概述了行动的算法，并附上了生成表格的脚本，以表格的形式导出新闻源进行处理，使用它，在实践中检查文章，集体决定它是否适用于金融市场或需要修改或不适用。
您提出的问题是数据挖掘的基石。CORELearn 软件包对这一问题进行了详细阐述。下面是文档链接。在许多软件包中，最普遍的是基尼指数。最有前途的指数是 Relief 指数及其许多修改。
不要放弃研究，因为您提出了一个基本的交易问题。
祝您好运。
...
谢谢。
真有意思。
你先是根据对某一时期的分析建立了一个模型，然后又证明市场对同一时期某一事件的反应符合预期行为。嗯，这是可以理解的，模型已经将这一事件考虑在内了。这是典型的拟合。更有趣的是，对新闻发布的反应很少用小时来衡量，更不用说用天了。
也许，如果对短期间隔进行同样的测量，结果会更贴近生活，并有机会成功通过前向测试。
真有意思。
你先是根据对某一时期的分析建立了一个模型，然后又证明市场对同一时期某一事件的反应符合预期行为。嗯，这是可以理解的，模型已经将这一事件考虑在内了。这是典型的拟合。更有趣的是，对新闻发布的反应很少用小时来衡量，更不用说用天了。
也许，如果对短期间隔也做同样的处理，结果会更接近生活，也有机会在前瞻性测试中取得成功
这篇文章的标题是 "分析"，并没有谈到预测，因此才有了前瞻性测试。
如果我们谈论的是您的评论，那么在没有证实前瞻性测试的适用性的情况下，进行前瞻性测试就是一种空谈，而且非常危险，因为您可能会意外地得到一个令人满意的前瞻性测试结果，并相信您的模型，而在实际交易中它却会安全地输掉。
这篇文章的标题是 "分析"，并没有谈到预测，因此也没有谈到前瞻性测试。
如果我们谈论的是你的评论，那么在没有证实前瞻性测试的适用性的情况下，进行前瞻性测试就是一种空谈，而且非常危险，因为你可能会意外地得到一个令人满意的前瞻性测试结果，并相信你的模型，而它在实际交易中会安全地输掉。
我不能仅从标题来判断这篇文章。我对文章主题很感兴趣，因此全文阅读了一遍。以下是作者在结论中写到的内容：
不过，我想提请大家注意，预测并不能百分百保证货币会完全朝着预测的方向发展。预测结果是一个概率事件，其发生取决于许多因素。此外，建议在收到新数据时定期检查回归方程。
祝您预测成功。
光是玩弄数据可不好玩。作者建立了一个用回归方程描述的市场模型，然后证明该模型是有效的，同时对用于建立模型的数据进行了验证。这正是我指出的某种造假行为。
我曾经在基本面分析方面遇到过很多麻烦，很长一段时间我都在尝试将其自动化。所提出的 FA 方法为其提供了很大的便利。对宏观经济变量的分析有助于确定那些可能影响价格变化的变量。但这种分析并不能百分之百地保证它们在未来也会有相关性。请记住：过去的交易结果并不能保证未来也会如此。
可以通过程序检查未来数据的等式。您也可以自己动手。在数据准备过程中，使用 "Select Cases（选择案例）"按钮限制极端日期（见本文图 13），在打开的窗口中启用 "Enable Selection Conditions（启用选择条件）"复选框，在下方选择 "Specific, selected by:（特定的，由以下因素选择）"，并在框中写下要考虑的行间隔 "v0>0 and v0<999"。超过 999 的行将不予考虑。分析和选择重要变量后，返回该窗口并更改，从第 1000 行开始向前移动行间距并再次检查 结果。准确率将显示在程序的矩阵中。
这种等式算法应该是交易机器人、智能交易系统的一部分。遗憾的是，一切都不是完全自动化的，很难从发布日历的网站上收集数据，同一个指标可能会有不同的写法，一个单词可能会出错，等等。因为周期不是短期的。
我并不坚持认为这种方法是天降甘露，我只是为您提供一个额外的工具，可以让您的工作更轻松，节省您的时间。
我曾经在基本面分析方面遇到过很多麻烦，很长一段时间我都在尝试将其自动化。所提出的 FA 方法为其提供了很大的便利。对宏观经济变量的分析有助于确定那些可能影响价格变化的变量。但这种分析并不能百分之百地保证它们在未来也会有相关性。请记住：过去的交易结果并不能保证未来也会如此。
可以通过程序检查未来数据的等式。您也可以自己动手。在数据准备过程中，使用 "Select Cases（选择案例）"按钮限制极端日期（见本文图 13），在打开的窗口中启用 "Enable Selection Conditions（启用选择条件）"复选框，在下方选择 "Specific, selected by:（特定的，由以下因素选择）"，并在框中写下要考虑的行间隔 "v0>0 and v0<999"。超过 999 的行将不予考虑。分析和选择重要变量后，返回该窗口并更改，从第 1000 行开始向前移动行间距并再次检查 结果。准确率将显示在程序的矩阵中。
这种等式算法应该是交易机器人、智能交易系统的一部分。遗憾的是，一切都不是完全自动化的，很难从发布日历的网站上收集数据，同一个指标可能会有不同的写法，一个单词可能会出错，等等。因为周期不是短期的。
我并不坚持认为这种方法是天降甘露，我只是为您提供了一个额外的工具，可以让您的工作更轻松，节省您的时间。
我原则上不能同意你的观点。
你的模型根本没有提供任何信息--它误导了人们。原因如下
1.回归模型适用于静态时间序列。这就是为什么会有 ARIMA、ARCH 和许多其他模型，这些模型在建立模型之前会尝试将原始时间序列转换成其他序列，但这些序列在某种程度上会类似于静态序列（莫和方差等于常数）。
2.2. 将原始序列转换为类似于静态的序列后，建立回归模型的唯一目的是查看模型拟合结果与真实数据之间的差异。如果该差值（残差-返回值）是静止的，则可以进行下一步。
3.如果前两步的结果都是肯定的，那么就可以进行Vladix 所写的 前向测试。如果在模型训练数据集上得到的结果与测试和验证数据集（这是时间序列的三个不同部分）上得到的结果接近，那么我们才可以开始谈论信任得到的结果。反之，则是非常危险的自欺欺人，盲目相信数字。
前两个步骤的全部问题在于无法实现。最主要、最令人头疼的障碍是因变量之间的相关性--多重共线性。此外还有其他问题。这就解释了为什么你提出的问题--确定因变量对自变量的影响--试图用特殊指标来解决，例如基尼系数、纾解率。
您的文章触及了建立交易系统的基本问题--为模型选择初始数据。就劳动强度而言，即使不是全部的 75%，也至少是一半的时间。即使以您的方式，它对于理解交易的基本问题也是非常重要的。
......原则上我不能同意你的观点。
好吧，不同意。在找到其他方法之前，我建议使用这个 ))))
新文章 宏观经济数据对货币价格波动影响的还原分析已发布：
基本面分析被许多人视为难以理解。目前还不清楚如何抓住要点，以及哪些参数需要取舍。找出影响重大的参数，以及它的时间跨度，不是一件容易的事。
在 2011 年我偶然发现文章 多元还原分析。策略生成器与测试器二合一 并发现其中所描述的方法很有趣。我已经对这个基本分析方法的应用程序进行了研究，并在本文中描述该结果。
作者：Salavat Bulyakarov